MLOps และการจัดการ Pipeline บน Cloud Platform

การเปลี่ยนโมเดล machine learning จากสคริปต์ในเครื่องไปสู่สภาพแวดล้อม production ที่เชื่อถือได้นั้นต้องการมากกว่าแค่โค้ด แต่ยังต้องการกรอบการทำงานด้านปฏิบัติการที่แข็งแกร่ง หลักสูตรนี้มอบเส้นทางที่ชัดเจนสำหรับการทำความเข้าใจวิธีการจัดการวงจรชีวิตทั้งหมดของโครงการ AI โดยใช้เครื่องมือคลาวด์ที่ทันสมัย คุณจะได้เรียนรู้การเชื่อมช่องว่างระหว่าง data science และ software engineering โดยการนำเวิร์กโฟลว์อัตโนมัติมาใช้ ซึ่งช่วยให้มั่นใจว่าโมเดลของคุณยังคงมีความแม่นยำและมีประสิทธิภาพในโลกแห่งความเป็นจริง เมื่อทำตามคู่มือที่เป็นลายลักษณ์อักษรนี้ คุณจะได้รับทักษะในการเปลี่ยนการทดลองที่ทำด้วยตนเองให้เป็นระบบอัตโนมัติที่ปรับขนาดได้ คุณจะได้เรียนรู้ที่จะ: * ทำความเข้าใจคำศัพท์พื้นฐานและรูปแบบสถาปัตยกรรมของ MLOps * สร้าง pipeline อัตโนมัติสำหรับการประมวลผลข้อมูล การฝึกโมเดล และการนำไปใช้งาน (deployment) * นำกลยุทธ์การจัดการ feature มาใช้เพื่อให้มั่นใจว่าข้อมูลมีความสอดคล้องกันในทุกสภาพแวดล้อม * ตรวจสอบประสิทธิภาพของโมเดลใน production เพื่อตรวจจับและจัดการ data drift * ประยุกต์ใช้หลักการ LLMOps สำหรับการจัดการและการปรับขนาดแอปพลิเคชัน generative AI * ฝึกฝน version control สำหรับทั้งโค้ดและชุดข้อมูลเพื่อให้มั่นใจในการทำซ้ำได้ (reproducibility) เริ่มต้นด้วยแนวคิดพื้นฐานของ continuous integration และ delivery สำหรับ machine learning เนื้อหาที่เป็นข้อความเท่านั้นนี้จะนำคุณผ่านความซับซ้อนของ feature stores, model registries และการฝึกซ้ำอัตโนมัติ (automated retraining) คุณจะได้อ่านคำอธิบายโดยละเอียดและวิเคราะห์โค้ดตัวอย่างที่ออกแบบมาเพื่อจำลองสถานการณ์ production ในโลกแห่งความเป็นจริง หลักสูตรนี้ออกแบบมาสำหรับผู้เริ่มต้นที่ต้องการเข้าสู่สาขาโครงสร้างพื้นฐาน AI ไม่จำเป็นต้องมีประสบการณ์ด้านคลาวด์มาก่อน แม้ว่าความคุ้นเคยพื้นฐานเกี่ยวกับแนวคิดด้านข้อมูลจะเป็นประโยชน์ก็ตาม เริ่มต้นการเดินทางของคุณสู่ machine learning operations ระดับมืออาชีพได้แล้ววันนี้